論文の概要: OFL: Opportunistic Federated Learning for Resource-Heterogeneous and Privacy-Aware Devices

• arxiv url: http://arxiv.org/abs/2503.15015v1
• Date: Wed, 19 Mar 2025 09:12:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-20 15:21:34.341893
• Title: OFL: Opportunistic Federated Learning for Resource-Heterogeneous and Privacy-Aware Devices
• Title（参考訳）: OFL:資源不均一・プライバシ対応デバイスのための機会論的フェデレーションラーニング
• Authors: Yunlong Mao, Mingyang Niu, Ziqin Dang, Chengxi Li, Hanning Xia, Yuejuan Zhu, Haoyu Bian, Yuan Zhang, Jingyu Hua, Sheng Zhong,
• Abstract要約: Opportunistic Federated Learning (OFL)は、リソースヘテロジニアスでプライバシを意識したFLデバイス用に明示的に設計された新しいFLフレームワークである。 OFLは、差分的にプライベートでオポチュニティなモデル更新機構を導入することで、強力なセキュリティを提供する。 OFLはモデル性能を満足し、効率とセキュリティを改善し、既存のソリューションより優れている。
• 参考スコア（独自算出の注目度）: 8.037795580924163
• License:
• Abstract: Efficient and secure federated learning (FL) is a critical challenge for resource-limited devices, especially mobile devices. Existing secure FL solutions commonly incur significant overhead, leading to a contradiction between efficiency and security. As a result, these two concerns are typically addressed separately. This paper proposes Opportunistic Federated Learning (OFL), a novel FL framework designed explicitly for resource-heterogenous and privacy-aware FL devices, solving efficiency and security problems jointly. OFL optimizes resource utilization and adaptability across diverse devices by adopting a novel hierarchical and asynchronous aggregation strategy. OFL provides strong security by introducing a differentially private and opportunistic model updating mechanism for intra-cluster model aggregation and an advanced threshold homomorphic encryption scheme for inter-cluster aggregation. Moreover, OFL secures global model aggregation by implementing poisoning attack detection using frequency analysis while keeping models encrypted. We have implemented OFL in a real-world testbed and evaluated OFL comprehensively. The evaluation results demonstrate that OFL achieves satisfying model performance and improves efficiency and security, outperforming existing solutions.
• Abstract（参考訳）: 効率的なセキュアなフェデレーション学習(FL)は、リソース制限されたデバイス、特にモバイルデバイスにとって重要な課題である。 既存のセキュアなFLソリューションは一般的に大きなオーバーヘッドを発生させ、効率性とセキュリティの矛盾をもたらす。 その結果、これらの2つの懸念は一般的に別々に対処される。 本稿では,資源ヘテロジニアスおよびプライバシを意識したFLデバイス向けに設計された新しいFLフレームワークであるオポチュニティ・フェデレート・ラーニング(OFL)を提案する。 OFLは、新しい階層的かつ非同期なアグリゲーション戦略を採用することにより、多様なデバイス間でのリソース利用と適応性を最適化する。 OFLは、クラスタ内モデルアグリゲーションのための差分的および機会論的モデル更新機構とクラスタ間アグリゲーションのための高度なしきい値準同型暗号化スキームを導入することにより、強力なセキュリティを提供する。 さらに、OFLは、モデルを暗号化したまま、周波数分析を用いて中毒攻撃検出を実装することで、グローバルモデルアグリゲーションを確保する。 実世界のテストベッドにOFLを実装し,OFLを総合的に評価した。 評価結果から,OFLはモデル性能を満足し,効率とセキュリティを向上し,既存のソリューションよりも優れていることが示された。

関連論文リスト

• ByzSFL: Achieving Byzantine-Robust Secure Federated Learning with Zero-Knowledge Proofs [23.987032630627528]
  AIモデルは、分散型でプライベートなデータの性質のため、医療や金融といったデータに敏感な業界では課題に直面している。 本研究では,ビザンチン・ロバスト・セキュアアグリゲーションを高効率で実現する新しいシステムであるByzSFLを提案する。 この手法はアグリゲーションの整合性を維持するだけでなく、計算効率を大幅に向上させ、既存のソリューションの約100倍の速度でByzSFLを実現する。
  論文  参考訳（メタデータ） (2025-01-12T22:14:45Z)
• Digital Twin-Assisted Federated Learning with Blockchain in Multi-tier Computing Systems [67.14406100332671]
  産業用 4.0 システムでは、リソース制約のあるエッジデバイスが頻繁にデータ通信を行う。 本稿では,デジタルツイン (DT) とフェデレーション付きデジタルツイン (FL) 方式を提案する。 提案手法の有効性を数値解析により検証した。
  論文  参考訳（メタデータ） (2024-11-04T17:48:02Z)
• FuseFL: One-Shot Federated Learning through the Lens of Causality with Progressive Model Fusion [48.90879664138855]
  ワンショットフェデレートラーニング(OFL)は、訓練されたモデルを1回だけ集約することで、FLにおける通信コストを大幅に削減する。 しかし、高度なOFL法の性能は通常のFLよりもはるかに遅れている。 本稿では,FuseFL と呼ばれる,高い性能と低通信・ストレージコストを有する新しい学習手法を提案する。
  論文  参考訳（メタデータ） (2024-10-27T09:07:10Z)
• R-SFLLM: Jamming Resilient Framework for Split Federated Learning with Large Language Models [83.77114091471822]
  Split Federated Learning (SFL)は、分散機械学習(ML)における計算効率のパラダイムである。 SFLの課題は、特に無線チャネル上に展開する場合、送信されたモデルパラメータが相手のジャミングに感受性を持つことである。 これは、言語理解に不可欠である大規模言語モデル(LLM)における単語埋め込みパラメータに対して特に顕著である。 無線ネットワーク上でのLLM(R-SFLLM)を用いたレジリエンスSFLのための物理層フレームワークを開発した。
  論文  参考訳（メタデータ） (2024-07-16T12:21:29Z)
• AdaptSFL: Adaptive Split Federated Learning in Resource-constrained Edge Networks [15.195798715517315]
  Split Federated Learning(SFL)は、モデルのパーティショニングを通じて、最初のトレーニングワークロードをサーバにfloadする、有望なソリューションである。 本稿では,資源制約付きエッジコンピューティングシステムにおいて,SFLを高速化するための新しいリソース適応型SFLフレームワークであるAdaptSFLを提案する。
  論文  参考訳（メタデータ） (2024-03-19T19:05:24Z)
• FS-Real: Towards Real-World Cross-Device Federated Learning [60.91678132132229]
  Federated Learning (FL)は、ローカルデータをアップロードすることなく、分散クライアントと協調して高品質なモデルをトレーニングすることを目的としている。 FL研究と実世界のシナリオの間には依然としてかなりのギャップがあり、主に異種デバイスの特徴とそのスケールによって引き起こされている。 本稿では,実世界横断デバイスFL,FS-Realのための効率的でスケーラブルなプロトタイピングシステムを提案する。
  論文  参考訳（メタデータ） (2023-03-23T15:37:17Z)
• Automated Federated Learning in Mobile Edge Networks -- Fast Adaptation and Convergence [83.58839320635956]
  フェデレートラーニング(FL)は、モバイルエッジネットワークで機械学習モデルを分散的にトレーニングするために使用することができる。 最近のFLは、モデルに依存しないメタラーニング(MAML)フレームワークで解釈されている。 本稿は,MAMLがFLにもたらすメリットと,モバイルエッジネットワーク上でのメリットの最大化について論じる。
  論文  参考訳（メタデータ） (2023-03-23T02:42:10Z)
• WW-FL: Secure and Private Large-Scale Federated Learning [15.412475066687723]
  Federated Learning(FL)は、クライアントデバイス上でトレーニングデータを保持することによって、データのプライバシを保証する、大規模分散機械学習の効率的なアプローチである。 最近の研究でFLの脆弱性が発見され、毒殺攻撃によってセキュリティとプライバシーの両方に影響を及ぼした。 データとグローバルモデルのプライバシを保証するために,セキュアなマルチパーティ計算と階層的なFLを組み合わせた,革新的なフレームワークであるWW-FLを提案する。
  論文  参考訳（メタデータ） (2023-02-20T11:02:55Z)
• Desirable Companion for Vertical Federated Learning: New Zeroth-Order Gradient Based Algorithm [140.25480610981504]
  VFLアルゴリズムを評価するための指標の完全なリストには、モデル適用性、プライバシ、通信、計算効率が含まれるべきである。 ブラックボックスのスケーラビリティを備えた新しいVFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-19T13:55:47Z)
• Towards On-Device Federated Learning: A Direct Acyclic Graph-based Blockchain Approach [2.9202274421296943]
  本稿では,DAG(Direct Acyclic Graph)ベースのブロックチェーンシステム(DAG-FL)を用いたフェデレートラーニングを支援するフレームワークを提案する。 2つのアルゴリズムDAG-FL ControllingとDAG-FL Updatingは、DAG-FLコンセンサスメカニズムの操作を精巧にするために異なるノードで動作するように設計されています。
  論文  参考訳（メタデータ） (2021-04-27T10:29:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。